AI技术的进步使3D病理学成为可能

人类组织是错综复杂的，当然也是三维的。但病理学家最常用来诊断疾病的组织薄片是二维的，只能提供组织真实复杂性的有限视角。病理学领域越来越倾向于对组织进行三维形式的检查。然而，3D病理学数据集可能包含比它们的2D对应物更多数百倍的数据，使得手动检查变得不可行。

在一项新研究中，来自Mass General Brigham和他们的合作者的研究人员提出了Tripath：这是一种可以使用3D病理学数据集进行临床结果预测的新型深度学习模型。研究团队与华盛顿大学合作，使用了两种3D高分辨率成像技术来成像筛选前列腺癌标本。然后，这些模型被训练以预测体积化的人体组织活检中前列腺癌复发风险。通过全面捕捉整个组织体积的3D形态，Tripath表现优于病理学家，并且胜过依赖于2D形态和薄组织切片的深度学习模型。结果已在《Cell》杂志上发表。

尽管这种新方法需要在更大的数据集中进行验证，然后才能进一步发展用于临床使用，研究人员对其帮助指导临床决策的潜力持乐观态度。

"我们的方法强调了对组织样本的整体体积进行全面分析以进行精确的患者风险预测的重要性，这是我们开发的模型的特点，也是3D病理学范式所能做到的," Mass General Brigham病理学系计算病理学部门的主要作者Andrew H. Song博士说道。

“利用人工智能和3D空间生物学技术的进步，Tripath为临床决策支持提供了一个框架，并可能有助于揭示预后和治疗反应的新生物标志物，”Mass General Brigham病理学系计算病理学部门的联合通讯作者Faisal Mahmood博士说道。

"在我们之前的计算3D病理学工作中，我们研究了特定结构，如前列腺腺体网络，但Tripath是我们首次尝试使用深度学习来提取风险分层的次视觉3D特征，显示出引导重要治疗决策的潜力," 华盛顿大学的联合通讯作者Jonathan Liu博士说道。

披露：宋和马赫穆德是与该研究的技术和方法论相关的专利的发明人。刘是Alpenglow Biosciences, Inc.的联合创始人和董事会成员，该公司已经取得了他在华盛顿大学实验室开发的OTLS显微镜组合技术的许可。

资助：作者报告称，他们受到布里格姆妇女医院（BWH）主席基金、马萨诸塞州总医院（MGH）病理学、国家通用医学科学研究所（R35GM138216）、国防部（DoD）前列腺癌研究计划（W81WH-18-10358和W81XWH-20-1-0851）、美国国家癌症研究所（R01CA268207）、国家生物医学成像与生物工程研究所（R01EB031002）、Canary Foundation、NCI Ruth L. Kirschstein国家服务奖（T32CA251062）、约翰霍普金斯大学计算病理学的Leon Troper教授职位、UKRI、mdxhealth、NHSX和Clarendon Fund的资助支持。